自动驾驶的安全性一直是行业和消费者关注的焦点。对于如何提高高度自动驾驶车辆的行路安全，最近，研究人员开始关注乘客的在不同驾驶场景中的对于风险的认知。因为人类本质上是一种特殊的传感器，即使是不需要控制汽车的乘客，也能够感知风险。因此，研究基于人的状态的脑机接口（Brain-computer inference, BCI）系统以克服自动驾驶算法的功能缺陷是有意义的。

今天，我们将为大家介绍一个用于研究乘客在高度自动驾驶场景中驾驶风险认知的功能性近红外光谱（fNIRS）数据集，介绍该数据集的原文题为：“An fNIRS dataset for driving risk cognition of passengers in highly automated driving scenarios”。该数据集包含在多个高速驾驶场景中的乘客前额叶皮层活动数据，还提供了驾驶场景的详细信息，如车辆位置、速度和加速度。该研究为自动驾驶的安全性提供了新的视角，为未来自动驾驶车辆的脑机接口系统奠定了基础。

图1. 文章封面

在高度自动驾驶的场景中，车辆的操作不再依赖驾驶员，而是由自动驾驶系统控制。然而，乘客的心理状态也能反映车辆的安全性，其前额叶皮层活动可以反映出他们对驾驶风险的感知，这种感知可以帮助自动驾驶系统更好地应对潜在的危险场景。

在这项研究中，研究者使用近红外光谱设备（OctaMon, Artinis Medical Systerm）来实时监测模拟驾驶情境中的乘客前额叶的氧合血红蛋白（ΔHbo）和脱氧血红蛋白（ΔHbR）变化，这些数据可以准确反映出乘客在不同驾驶场景中的心理负荷和风险感知。

研究者首先使用虚拟测试驾驶（virtual test drive，VTD）软件构建了14种高度自动驾驶场景（见图2）。这些场景涵盖了三种典型的单车场景：插队、紧急制动和行人横穿马路。具体场景包括：领头车辆从右侧车道切出、领头车辆从左侧车道切出、领头车辆长距离自主紧急制动、周围车辆短距离从左侧车道切入、周围车辆短距离从右侧车道切入、周围车辆长距离从右侧车道切入、 领头车辆短距离自主紧急制动、周边车辆从左侧车道长距离插队、周边车辆在右侧车道行驶且不插队、行人从右侧横穿马路、行人从左侧横穿马路、行人站在左侧不横穿马路、行人站在右侧不横穿马路、周边车辆在左侧车道行驶且不插队。因此每个场景包含一辆自动驾驶的本车，目标车辆或者行人。这14种场景的具体参数描述可参考原文表2。

其次，从这14种场景中随机选择25个场景组成一个虚拟测试驾驶（VTD）片段。每个VTD片段的最初1000米内，没有任何事件发生，本车在三车道道路上以70 公里/小时的速度直线行驶，期间无事发生，目的是让参与者适应模拟驾驶环境。当本车到达触发位置后，目标车辆或行人开始执行相应动作，如切入、变道、过马路等。

研究员一共准备了12个VTD片段，每个片段长约13分钟。在数据分析时，会舍弃每个 VTD 片段中最后一个场景的数据，仅提取前面二十四个场景的数据进行分析。十二个VTD片段中二十四个场景的顺序可参考原文表1。

最终，由20名中国被试在驾驶模拟器上专注观看所有12个VTD片段，不能进行其他干扰任务，以确保对场景的感知和反应不受影响。观看VTD的过程中，一旦被试感知到危险或者听到刺激声音，则需要按键。任务过程会随机出现的一些刺激声音，以此判断其是否专注。且在同一天内，被试最多观看4个VTD片段。

OxySoft 软件记录由血氧监测设备测量的氧合血红蛋白变化（ΔHbo）和脱氧血红蛋白变化（ΔHbR）的原始数据，此外，OxySoft软件还输出原始强度数据，这些原始强度数据可根据特定需求进行预处理，可通过Homer3或其他软件获得ΔHbo和ΔHbR的预处理数据；Matlab/Simulink模块负责硬件与主机之间、主机与OxySoft软件之间的通信；Python模块和键盘共同记录参与者按下键盘时主机的当前时间。

另外，本实验以动能场作为驾驶场景危险程度的客观指标，该指标使用目标车辆（或者行人）的相对纵向距离和速度来计算。并且根据经验，选取动能值0.05作为割点（或者叫刺激点），以此将自动驾驶场景分为前半段低风险和后半段高风险部分。

该数据集的结构和命名遵循一定规范，有助于高效管理和使用数据，具体如下：

数据集结构：包含三个主要文件（participants.tsv、participants.json和dataset_description.json）和二十个文件夹。其中，二十个文件夹分别以符合大脑影像数据标准（BIDs）的格式保存二十名参与者的数据。participants.tsv 记录参与者的年龄、性别、驾驶经验以及对VTD片段危险程度的主观评价；participants.json和dataset_description.json则分别是关于参与者和数据集的解释说明文件。

命名规则：文件命名具有明确指向性，如participants.tsv中 “participants”表明与参与者相关，“tsv”是文件格式，说明该文件以制表符分隔存储数据。“participants.json”同样围绕参与者，“json”格式便于数据的存储和交换。“dataset_description.json”里“dataset_description”清晰表明这是对整个数据集进行描述的文件。文件夹以参与者编号命名（对应二十名参与者），用于分类存储不同参与者的具体实验数据，方便查找和管理 。

该数据集已在OpenNeuro平台上公开，链接为：https://openneuro.org/datasets/ds004973/versions/1.0.1

此外，研究人员还提供了以下工具和资源，帮助用户更好地利用该数据集：

·VTD项目文件：用户可以使用VTD软件重建14种驾驶场景。

·Python数据处理函数：用于处理OctaMon采集的原始ΔHbo和ΔHbR数据。

·Homer预处理示例：展示了如何使用Homer软件进行fNIRS数据预处理和机器学习分析。

原文作者基于该数据集发表了名为《Driving risk cognition of passengers in highly automated driving based on the prefrontal cortex activity via fNIRS》的文章，研究聚焦于高度自动驾驶场景中乘客的驾驶风险认知问题。且该研究只选取了14种场景中的4种作分析。这些场景分别为：前车短距离自主紧急制动、前车短距离从左车道切入、前车短距离从右车道切入和行人从右侧过马路。通过分析氧合血红蛋白浓度特征，发现，Brodmann 10区因驾驶场景风险引发的心理活动非常活跃，大脑氧含量与驾驶风险场景呈正相关；还分析了性别和驾驶经验对心理活动的影响，例如在短距离紧急制动场景中，有驾驶经验的参与者在低风险和高风险片段的差异更明显，男性参与者的差异比女性参与者更显著。

Zhang, X., Wang, Q., Li, J. et al. An fNIRS dataset for driving risk cognition of passengers in highly automated driving scenarios. Sci Data 11, 546 (2024). 

https://doi.org/10.1038/s41597-024-03353-6. 

该研究由清华大学车辆与运载学院、医学院以及伦敦帝国理工学院电气与电子工程系的相关研究团队共同完成。Xiaofei Zhang和Qiaoya Wang作为共同一作，均来自清华大学车辆与运载学院，Hong Wang 来自清华大学车辆与运载学院，是文章的通讯作者。

Advictor

了解更多产品详情，投稿发布

与合作，欢迎扫码咨询。